В 2017 году на трёхлетних данных нескольких специализированных клиник было доказано: уход пациентов можно надёжно предсказать, используя только административные показатели визитов и оплат, — без единого диагноза. Модель, объединяющая давность, частоту, денежную ценность и длительность взаимодействия (RFML), сначала группирует пациентов методом k‑средних, а затем с помощью дерева решений делит их на лояльных и склонных к оттоку.
Как анализ давности, частоты и суммы (RFM) помогает предсказать уход пациентов
Классический подход RFM — давность последнего визита, частота посещений и суммарные траты — десятилетиями применяется в рознице и телекоме, чтобы выделять ценных и «уходящих» клиентов. В медицине этот инструмент используют реже, хотя поведенческий портрет пациента отлично отражается в журнале записей и финансовых отчётах.
Авторы исследования не остановились на трёх измерениях. Они заметили, что в специализированной помощи огромную роль играет стаж отношений с клиникой. Так к RFM добавили четвёртый компонент — длительность «жизни» пациента в учреждении. Получился показатель RFML (давность, частота, денежная ценность, длительность), который улавливает не только текущее поведение, но и всю историю взаимодействия.
Важное преимущество для российского владельца клиники: все четыре величины лежат в административных и биллинговых системах — никаких данных из амбулаторной карты не требуется. Интеграция с электронной медицинской картой (ЭМК) для такого скоринга не нужна — достаточно корректно настроенных дат и сумм в учётной системе, например «1С:Медицина» или аналогичной МИС.
Пошаговый алгоритм: кластеризация и дерево решений
Исследователи обработали анонимизированные данные пациентов трёх клиник одного профиля за три года. Использовались только логи транзакций. Аналитическая цепочка состояла из двух этапов:
- Кластеризация методом k‑средних — пациентов автоматически разделили на группы со схожими RFML‑профилями, без какой‑либо предварительной разметки «хороший/плохой».
- Построение классификационного дерева решений — на полученных кластерах обучили модель, которая выдаёт бинарную метку: «потенциально лоялен» или «потенциально уйдёт». Дерево решений не просто предсказывает, но и объясняет, какое сочетание давности, частоты, суммы и стажа сигнализирует об оттоке.
Такой двухшаговый дизайн воспроизводим в условиях практически любой частной клиники. Для расчёта k‑средних достаточно электронных таблиц или простейших BI‑инструментов, доступных и в РФ (Yandex DataLens, библиотеки Python). Результирующие правила дерева решений могут быть «зашиты» прямо в регламент работы администраторов или CRM‑систему, например Битрикс24 или amoCRM, настроенную на медицинскую специфику.
Главный вывод: транзакционных данных достаточно
Ключевой результат исследования — сигнал будущего оттока полностью считывается из RFML‑описания. Попытки добавить в модель клинические параметры (диагнозы, тяжесть состояния, возраст) не повысили точность распознавания «уходящих». Иными словами, пациент перестаёт ходить в клинику не потому, что у него конкретный диагноз, а потому, что его поведение изменилось: он стал реже появляться, уменьшил чеки, увеличил интервал между визитами.
Это освобождает российского управленца от необходимости ждать наладки полной интеграции с региональными сегментами ЕГИСЗ или проводить сложные согласования по обработке персональных данных здоровья. Обезличенные показатели «дата‑сумма» находятся далеко от границ врачебной тайны, но при этом оказываются исчерпывающими для скоринга оттока.
Две группы пациентов: лояльные и склонные к уходу
Модель формирует два чётко разделённых сегмента:
- Потенциально лояльные — высокая частота визитов, свежая давность, значительный накопленный чек и долгая история в клинике.
- Потенциально уходящие — давность последнего приёма приближается к критическому порогу, частота падает, суммарные траты снижаются, общий стаж отношений короче, чем у лояльных.
Такая простая бинарная разметка позволяет администраторам и маркетологам не разбираться в сложной аналитике, а работать с готовыми списками. Попавшим в «красную» зону можно оперативно предложить персональные условия: напоминание о профилактическом осмотре, скидку на следующую услугу или звонок‑консультацию. В российских реалиях подобные кампании удобно автоматизировать через рассылки, согласованные с требованиями Федерального закона №152‑ФЗ о персональных данных, — используя только обезличенный идентификатор и контакт, полученный с согласия пациента.
Сравнение влияния разных типов данных на прогноз оттока
| Тип данных | Используется в модели | Вклад в точность прогноза оттока |
|---|---|---|
| Признаки давности, частоты и суммы (RFM) | Да | Основной, формирует ядро модели |
| Длительность взаимодействия (Length) | Да, в расширенной версии RFML | Умеренный, уточняет стаж отношений |
| Клинические параметры (диагнозы, тяжесть) | Нет | Не улучшают прогноз |
| Демографические сведения (возраст, пол) | Нет | Не добавляют значимости при наличии RFM |
То, что клинические поля не усиливают прогноз, не умаляет их ценности для лечебного процесса. Зато для задачи удержания пациентов это означает: управленческие решения можно принимать быстрее и безопаснее, не ожидая, пока все системы «заговорят» друг с другом.
Как применить этот подход в управлении частной клиникой
Исследование 2017 года дало воспроизводимый каркас, который легко кастомизируется под сегодняшний день. Руководитель или маркетолог получает возможность:
- построить скоринговую карту риска оттока, опираясь исключительно на данные о визитах и оплатах;
- каждый месяц автоматически формировать список пациентов из группы «потенциально уходящих»;
- тестировать программы лояльности и напоминания без риска утечки чувствительной медицинской информации;
- отслеживать, насколько эффективно работают удерживающие мероприятия, наблюдая за миграцией пациентов из рисковой группы в лояльную.
Технически для внедрения достаточно иметь выгрузку из учётной системы: уникальный ID пациента, дату каждого визита и сумму оплаты. Дополнительных закупок программного обеспечения не требуется — расчёты можно выполнить в Excel или бесплатных BI‑средах. При желании результат встраивается в CRM, что позволяет моментально запускать персонализированные коммуникации.
Применимость в российских условиях
Модель RFML‑сегментации безболезненно ложится на реалии российских частных медицинских центров. Обезличенные транзакционные данные (дата визита, сумма оплаты, идентификатор) не относятся к врачебной тайне, если по ним нельзя восстановить состояние здоровья. Таким образом, клиника соблюдает Федеральный закон №152‑ФЗ «О персональных данных» и не рискует получить претензии Роскомнадзора.
Потенциальная сложность — фрагментация истории по филиалам или разрозненным базам. Однако современные отечественные МИС (например, «Медиалог», «Инфоклиника») и учётные системы на платформе «1С» умеют агрегировать все визиты в единый профиль. Стаж рассчитывается как интервал между первой и последней записью. Крупным сетям, работающим с различными кассами, стоит заранее унифицировать справочники пациентов при внедрении.
Понятие «churn» в российской медицинской среде употребляется редко, но управленческий запрос на сокращение «потери пациентов» абсолютно понятен каждому руководителю. RFML‑подход переводит эту задачу в плоскость измеримых метрик и быстрых решений.
FAQ
Q: Нужно ли обязательно учитывать все четыре компонента RFML? A: Классического набора «давность‑частота‑сумма» (RFM) часто достаточно, но длительность взаимодействия добавляет контекст стажа и заметно повышает точность выделения долгосрочно лояльных пациентов, что подтверждено авторами исследования.
Q: Можно ли ограничиться только кластеризацией, без дерева решений? A: Кластеризация покажет однородные поведенческие группы, но не даст чёткого бинарного правила «уйдёт/не уйдёт». Дерево решений превращает кластеры в управленческие критерии, которые легко интерпретировать и использовать для автоматических действий.
Q: Почему клинические данные не улучшили прогноз оттока? A: Уход из специализированной клиники чаще связан не с тяжестью заболевания, а с организационными и поведенческими причинами: неудобная запись, появление конкурента, финансовые мотивы. Все эти факторы прямо отражаются в паттернах RFML.
Q: В каких отраслях уже применяется RFM-анализ для управления оттоком? A: Розница, телеком, банковский сектор используют его десятилетиями. В здравоохранение подход приходит медленнее из-за требований конфиденциальности, но вариант RFML, оперирующий только транзакциями, полностью снимает это ограничение.
Q: Насколько модель устойчива при смене специализации клиники? A: Алгоритм не привязан к конкретному медицинскому профилю — он обучается на реальных данных учреждения и адаптируется к любым паттернам визитов. В исследовании это подтвердили на трёх специализированных клиниках разного профиля.
Источник: Procedia Computer Science, 2017